資源和記憶對舊識網路的影響

Abstract

已經有大量的研究採取由上而下的方式來為社會網路建立模型。這些模型大多直接混合規則網路和隨機網路，它們不但漂亮地造出具備高群聚度及低分隔度的社會網路，用於理論分析時更帶給我們許多重大的洞見。另一方面，由於這類模型忽略了真實社會中的人際互動，所以無法很好地用來解釋發生在社會網路更細部的現象。相對地，我們提出的網路模型採取由下而上的方式，整個網路是以人跟人間的互動規則，隨著時間不斷變化，逐漸演變而成的。這篇論文中，除了考慮到共同的朋友、偶遇、進出朋友圈等因素，我們還考慮了「有限的資源」和「對朋友念不念舊」等對舊識網路造成的影響。基於這些人際間的互動因子，人們彼此可能由陌生到熟識，已建立的友誼除了可能增強、變弱外、甚至還可能因為久未聯絡，或在資源有限等因素下，再次變得陌生、形同陌路。在一系列的模擬實驗後我們發現：一、一些網路的統計數據，尤其是平均朋友數，和參數的特定分佈無關，只相依於模型各個初始參數的平均值；二、資源、念舊程度、初始友誼等都會增加平均朋友數，且同時降低網路的群聚度及分隔度；三、廣泛用於現場訪查的抽樣方法，無法真正捕捉到社會網路的度分佈特性；四、在我們的舊識網路模型及 Newman 和 Watts 的小世界模型這兩者上，對於感冒等傳染病傳播導致的引爆點發生情形是不同的。這些發現顯示：這類研究需要某種由下而上，基於網路模型，且強調互動規則的模擬實驗。

To better reflect actual human interactions in social network models, the authors take a bottom-up simulation approach to analyzing acquaintance network evolution based on local interaction rules. Resources and remembering are considered in addition to common friends, meeting by chance, and leaving and arriving. Based on these factors, friendships that have been established and built up can be strengthened, weakened, or broken up. Results from a series of simulations indicate that (a) small world statistics, especially mean degree of nodes, are irrelevant to parametric distributions because they rely on average values for initial parameters; (b) resource, remembering, and initial friendship all raise the average number of friends and lower both degree of clustering and separation; (c) widely used fieldwork sampling methods cannot capture the actual degree distributions of social networks; and (d) the epidemic dynamics and critical thresholds of infectious disease in our acquaintance network differ from those in Newman and Watts’ small-world model. These findings indicate a strong need for a bottom-up simulation approach to social network research, one that stresses interactive rules and experimental simulations.